Luo moniluokkaisia luokitusmalleja

  • 4 minuuttia

On myös mahdollista luoda moniluokkaisia luokitusmalleja, joissa on useampi kuin kaksi mahdollista luokkaa. Esimerkiksi terveysklinikka saattaa laajentaa diabetesmallia luokittelemaan potilaat seuraavasti:

  • Ei-diabeetikko
  • Tyypin 1 diabeetikko
  • Tyypin 2 diabeetikko

Yksittäisen luokan todennäköisyysarvot olisivat silti yhteensä 1, koska potilas on ehdottomasti vain yhdessä kolmesta luokasta, ja malli ennustaisi todennäköisimmän luokan.

Moniluokkaisia luokitusmalleja käyttämällä

Moniluokkaista luokitusta voidaan ajatella useiden binaariluokittajien yhdistelmänä. Voit ratkaista ongelman kahdella tavalla:

  • One vs Rest (OVR) -, jossa kullekin mahdolliselle luokka-arvolle luodaan luokittaja. Siinä on positiivinen tulos tapauksissa, joissa ennuste on tämä luokka, ja negatiiviset ennusteet tapauksissa, joissa ennuste on mikä tahansa muu luokka. Esimerkiksi luokitusongelma, joka sisältää neljä mahdollista muotoluokkaa (neliö, ympyrä, kolmio, kuusikulmio), edellyttäisi neljää luokittelua, jotka ennustavat:
    • neliön muotoinen tai ei
    • circle (ympyrä) tai not
    • kolmio tai ei
    • heksagon tai not
  • Yksi vs. yksi (OVO) -, jossa luodaan jokaisen mahdollisen luokkaparin luokittelu. Neljän muotoluokan luokitusongelma edellyttäisi seuraavia binaariluokittajia:
    • neliö tai ympyrä
    • neliö tai kolmio
    • neliön muotoinen tai heksagoni
    • ympyrä tai kolmio
    • ympyrä tai heksagon
    • kolmio tai heksagon

Molemmissa menettelytavoissa yleisen mallin on otettava huomioon kaikki nämä ennusteet määrittääkseen, mihin yksittäiseen luokkaan kohde kuuluu.

Onneksi useimmissa koneoppimiskehyksissä, kuten Scikit-Learnissa, moniluokkaisen luokitusmallin toteuttaminen ei ole huomattavasti monimutkaisempaa kuin binaariluokitus. Useimmissa tapauksissa binaariluokitukseen käytetyt arvioijat tukevat implisiittisesti moniluokkaista luokitusta abstraktoimalla OVR-algoritmin, OVO-algoritmin tai sallimalla kumman tahansa vaihtoehdon.